┌─────────────────────────────────────────┐
                         │              Clients                     │
                         │   API REST · Claude Desktop (MCP) ·      │
                         │   Autres agents MCP                      │
                         └───────────────┬───────────────────────────┘
                                         │
              ┌──────────────────────────┼──────────────────────────┐
              ▼                          ▼                          │
   ┌───────────────────┐     ┌────────────────────────┐             │
   │  API FastAPI       │     │  Serveur MCP            │             │
   │  /query /ingest     │     │  rag_search / rag_answer│             │
   │  /health  /metrics  │     └────────────┬────────────┘             │
   └──────────┬──────────┘                  │                          │
              └──────────────┬──────────────┘                          │
                             ▼                                         │
                  ┌─────────────────────────┐        ┌──────────────────────────┐
                  │   Orchestrateur (Agent)  │◀──────▶│  Client MCP (outils       │
                  │  - retrieval RAG         │        │  externes : web, fichiers,│
                  │  - sélection d'outil      │        │  Slack, Drive...)         │
                  │  - construction prompt    │        └──────────────────────────┘
                  └────────────┬──────────────┘
                               ▼
                  ┌─────────────────────────┐
                  │   RAG Retriever          │
                  │  FAISS (dense) + BM25    │
                  │  (sparse) → RRF fusion   │
                  └────────────┬──────────────┘
                               ▼
                  ┌─────────────────────────────────────┐
                  │           LLM Router                  │
                  │  Stratégie: cost_first / quality_first│
                  │  Ollama (gratuit) → Gemini → OpenAI   │
                  │  Fallback automatique en cascade      │
                  └───────────────┬───────────────────────┘
                                  ▼
                        Réponse citant ses sources
                        [Document.pdf, p. X]

rag-banking-agent/
├── src/rag_agent/
│   ├── config.py                # Configuration centralisée (pydantic-settings)
│   ├── logging_config.py        # Logs structurés JSON (structlog)
│   ├── cli.py                   # CLI unifié (ingest/query/evaluate/serve/mcp-serve)
│   ├── llm/                     # ── Orchestration LLM ──
│   │   ├── base.py              #   Interface commune (Strategy pattern)
│   │   ├── ollama_provider.py   #   Backend gratuit local
│   │   ├── gemini_provider.py   #   Backend API gratuit
│   │   ├── openai_provider.py   #   Backend optionnel (payant)
│   │   └── router.py            #   Choix + fallback automatique
│   ├── rag/                     # ── Pipeline RAG ──
│   │   ├── ingest.py            #   Parsing → chunking → embeddings → FAISS
│   │   ├── retrieval.py         #   Dense + BM25 + RRF
│   │   └── prompts.py           #   Prompt système (citation + abstention)
│   ├── agent/                   # ── Orchestrateur ──
│   │   ├── orchestrator.py      #   RAG + outils + LLM router, façade unique
│   │   └── tools.py             #   Registre d'outils (RAG, MCP externes)
│   ├── mcp/                     # ── Model Context Protocol ──
│   │   ├── server.py            #   Expose le RAG comme serveur MCP
│   │   └── client.py            #   Consomme des serveurs MCP externes
│   ├── api/                     # ── API REST ──
│   │   ├── main.py, routes/, schemas.py, metrics.py, dependencies.py
│   └── evaluation/               # ── Évaluation ──
│       ├── test_set.py          #   15 questions de test
│       └── evaluate.py          #   Precision@k + fidélité + provider utilisé
├── tests/                        # Tests unitaires + intégration API (pytest)
├── deploy/
│   ├── docker/                  # Dockerfiles (API + MCP), multi-stage
│   ├── docker-compose.yml       # Environnement complet local
│   ├── k8s/                     # Manifestes Kubernetes (cloud-ready)
│   └── monitoring/              # Config Prometheus
├── .github/workflows/ci-cd.yml  # Pipeline complet
├── scripts/download_corpus.py   # Téléchargement + génération corpus synthétique
├── Makefile                      # Raccourcis de commandes
└── requirements.txt / requirements-dev.txt

# 1. Installation (Linux/Mac)
python -m venv .venv && source .venv/bin/activate
make install-dev

# Windows :
# python -m venv .venv && .venv\Scripts\Activate.ps1
# pip install -r requirements.txt

# 2. Configuration
cp .env.example .env
# Éditer .env : renseigner GEMINI_API_KEY (palier gratuit sur https://aistudio.google.com/apikey)
# et/ou installer Ollama (https://ollama.com) + `ollama pull mistral`

# 3. Préparer le corpus
make download-corpus

# 4. Indexer
make ingest

# 5. Interroger l'agent en CLI
make query Q="Quel est le ratio minimum de CET1 imposé par Bâle III ?"

# 6. Lancer l'API
make serve
# → http://localhost:8000/docs (Swagger UI)

# 7. Lancer le serveur MCP (ex: pour Claude Desktop)
make mcp-serve

make evaluate
# → Precision@k, score de fidélité (recouvrement de mots-clés), taux d'abstention,
#   répartition de l'usage par provider LLM (utile pour arbitrer coût/qualité)

export GEMINI_API_KEY=your_key_here   # optionnel mais recommandé en secours
docker compose -f deploy/docker-compose.yml up --build -d

# Télécharger le modèle Ollama dans le conteneur
docker compose -f deploy/docker-compose.yml exec ollama ollama pull mistral

# Indexer le corpus (monté dans le conteneur API)
curl -X POST localhost:8000/ingest

# Interroger
curl -X POST localhost:8000/query -H "Content-Type: application/json" \
  -d '{"question": "Quelles sont les obligations LCB-FT des banques françaises ?"}'

# 1. Construire et pousser les images (ou laisser le CI/CD s'en charger)
docker build -f deploy/docker/Dockerfile -t ghcr.io/your-org/rag-banking-agent-api:latest .
docker build -f deploy/docker/Dockerfile.mcp -t ghcr.io/your-org/rag-banking-agent-mcp:latest .

# 2. Configurer les secrets (NE PAS committer les valeurs réelles)
cp deploy/k8s/secret.example.yaml deploy/k8s/secret.yaml
# éditer secret.yaml avec les vraies clés, puis :
kubectl apply -f deploy/k8s/secret.yaml

# 3. Déployer le reste
make k8s-apply

{
  "mcpServers": {
    "rag-banking-regulatory": {
      "command": "python",
      "args": ["-m", "rag_agent.mcp.server"],
      "env": { "PYTHONPATH": "/chemin/vers/rag-banking-agent/src" }
    }
  }
}

[{"name": "filesystem", "url": "http://localhost:8001/sse"}]